автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Мультиагентное имитационное моделирование образовательного процесса накопления знаний

НАЗОЙКИН ЕВГЕНИЙ АНАТОЛЬЕВИЧ

МУЛЬТИАГЕНТНОЕ ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА НАКОПЛЕНИЯ ЗНАНИЙ

Специальность 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 О АПР

Москва 2011

4844645

Работа выполнена в ГОУ ВПО Московский государственный университет прикладной биотехнологии на кафедре «Компьютерные технологии и системы».

ТТаЧП7ТП.ТтЗГ М*ЛГЛТЗЛТ1ТГГ*»ТТТ.

; »иди. г./""""'-^""*"'"'

профессор Ивашкин Ю.А.

Официальные оппоненты

- доктор технических наук, профессор Свиридов А.П.

- член-корреспондент РАСХН, доктор технических наук, профессор Большаков О.В.

Ведущая организация Национальный исследовательский

ядерный университет «МИФИ»

Защита состоится « /Д » мая 2011 г. в 14_ час. 15_ мин. на заседании совета по защите докторских и кандидатских диссертаций Д 212.149.04 при Московском государственном университете прикладной биотехнологии по адресу: 109316, Москва, ул. Талалихина, 33, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Московского государственного университета прикладной биотехнологии.

Автореферат разослан « /5"у> апреля 2011 г.

Ученый секретарь диссертационного совета к.т.н., доцент

Потапов А.С.

А!сгуальпость темы. Федеральная целевая программа развития образования, (в ред. Федерального закона от 22.08.2004 N 122-ФЗ), направленная на реформирование и совершенствование системы подготовки профессиональных кадров, в сложившихся экономических условиях являются одной из важнейших государственных и социальных проблем страны.

В условиях перехода на уровневую подготовку принятие ответственных решений в задачах управления, интенсификации и оптимизации образовательной системы вуза требует использования интеллектуальных компьютерных технологий идентификации и прогнозирования состояния образовательной системы на основе математических методов и имитационного моделирования различных форм и стратегий процесса обучения.

Состояние системы образования в большинстве случаев непредсказуемо и не может быть ■ прогнозируемо изначально аналитически или путем логического анализа, так как оно является результатом многошагового взаимодействия множества активных элементов системы и среды обучения.

Применяемые аналитические методы анализа и оценки эффективности учебного процесса в своей основе используют рейтинговую или статистическую оценку состояния системы без учета динамики состояния, поведения и взаимодействия активных элементов (преподавателей и учащихся) при заданных и изменяющихся условиях и стратегиях управления

Изучение динамики накопления знаний и навыков в процессе информационного взаимодействия преподавателя и учащихся с учетом влияния различных факторов среды обучения в заданной предметной области; форм, стратегий и технологий образовательного процесса, а также личностных характеристик учащихся и преподавателей на общую успеваемость и качество подготовки специалиста возможно с помощью агентно-ориентированной имитации взаимодействия активных элементов - интеллектуальных агентов (ИА), варьирующих свои свойства и поведение в зависимости от состояния других элементов и образовательной среды.

Однако сложность задачи идентификации и прогнозирования возможного состояния образовательной системы с множеством слабо формализованных временных и условных событий и состояний, возникающих в результате пошагового взаимодействия обучаемых и обучающих ИА, обуславливает необходимость построения специализированной мультиагентной имитационной модели для поиска оптимальных решений в управлении образовательной системой с учетом информационных, психофизиологических и социальных факторов обучения, способов представления информации и усвоения знаний в учебном процессе.

В связи с этим разработка мультиагентной имитационной модели образовательного процесса накопления знаний, как инструмента системного анализа и принятия ответственных управленческих решений по реорганизации учебного процесса образовательного учреждения и

образовательной системы в целом является чрезвычайно актуальной и социально значимой задачей.

Цель диссертационной работы заключалась в разработке мультиагенгной имитационной модели образовательной системы накопления знаний с учетом когнитивных, эмоциональных, социальных и персональных факторов взаимодействия преподавателя и обучающихся с целью идентификации и прогнозирования состояния образовательной системы и принятия оптимальных стратегий повышения качества подготовки специалистов.

Для достижения поставленной цели решались следующие задачи:

1. Формализация принципов организации и функционирования образовательной системы передачи и накопления знаний в концепции агентной имитации взаимодействия обучающего и обучаемых агентов;

2. Разработка функциональной и структурно-параметрической моделей состояния агентов с учетом социальных, когнитивных, эмоциональных и психофизиологических факторов;

3. Разработка математических моделей и алгоритмов поведения и взаимодействия интеллектуальных агентов (обучающих и обучаемых), в процессе накопления знаний в активной образовательной системе;

4. Создание имитационных моделей состояния и динамики поведения агентов в зависимости от изменения состояния других агентов и среды на объектно-ориентированном языке моделирования;

5. Создание мультиагенгной имитационной модели образовательного процесса в универсальной системе имитационного моделирования;

6. Разработка диалоговых алгоритмов и процедур планирования имитационного эксперимента для нахождения оптимальных вариантов организации и планирования учебного процесса.

Научная новизна

1. Предложена концепция мультиагентного имитационного моделирования образовательной системы накопления знаний для идентификации, прогнозирования и управления качеством подготовки обучаемых;

2. Разработана функциональная и структурно-параметрическая модели состояния агентов с учетом социальных, когнитивных, эмоциональных и психофизиологических факторов;

3. Разработаны новые математические модели и алгоритмы поведения и взаимодействия интеллектуальных агентов (преподавателя и обучаемых) в процессе накопления знаний, учитывающие динамику изменения состояния других агентов и среды;

4. Впервые разработана мультиагентная имитационная модель процесса обучения с множеством взаимодействующих агентов класса - "Обучаемый" и класса - "Преподаватель", позволяющая объективно оценить и оптимизировать стратегию и условия накопления знаний;

5. Разработаны диалоговые алгоритмы и процедуры планирования имитационного эксперимента для нахождения оптимальных вариантов организации учебного процесса

Практическая значимость работы.

1. Разработан комплекс моделей и программ мультиагентной имитации образовательного процесса в ВУЗе в универсальной системе имитационного моделирования Simplex3 с описанием агентов на объектно-ориентированном языке моделирования Simplex-MDL. с внешними процедурами и EDL описанием экспериментов в среде экспериментирования

2. Разработаны программы имитационного эксперимента и поиска оптимальных решений на языке Simplex-EDL в различных условиях передачи и представления информации с процедурами накопления знаний и распределения учебной на1рузки;

3. Разработан пользовательский интерфейс, обеспечивающий диалоговый режим работы с имитационной моделью для проведения эксперимента с различными параметрами состояния и стратегиями поведения агентов;

4. Разработаны рекомендации и учебно-методические материалы по имитационному моделированию и повышению качества образовательного процесса в ВУЗе.

На защиту выносятся:

1. Мультиагенгаая имитационная модель образовательной системы с учетом динамического взаимодействия активных элементов в процессе обучения и накопления знаний;

2. Математические модели и алгоритмы динамики изменения состояния интеллектуальных агентов классов - "Преподаватель" и "Обучаемый" в процессе накопления знаний;

3. Алгоритмы и диалоговые процедуры организации имитационного эксперимента с мультиагентной моделью для нахождения оптимальных вариантов организации учебного процесса.

Апробация работы

Результаты работы представлены на мевдународной научной конференции «Математические методы в технике и технологиях - ММТТ-21», Саратовский государственный технический университет, Саратов, 2008 г.; муждународном конгрессе по интеллектуальным системам и информационным технологиям "AIS-IT 09" Дивноморское, 2009 г.; Европейском конгрессе по моделированию и имитации "International Conference on Computational Intelligence, Modelling and Simulation", Brno, Чехия, 2009 г., международной конференции "Информационные технологии в образовании, технике и медицине". Волгоград, 2009 г., а также опубликованы в журналах: "Информационные технологии моделирования и управления" и "Программные продукты и системы".

Публикации. По материалам диссертации опубликовано 9 печатных работ в статьях и материалах международных конференций, в т.ч. одна на английском языке.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения и приложения и содержит 125 страницы основного текста, 22 рисунков, 23 таблиц и листингов, список литературы из 109 наименований и 98 страниц приложения.

СОДЕРАЖНИЕ РАБОТЫ

Во введении отмечается актуальность детальных исследований систем профессионального обучения с помощью агентных технологий моделирования образовательного процесса накопления знаний с учетом когнитивных, эмоциональных, психофизиологических и социальных факторов. Сформулированы цели и задачи исследований, научная новизна и практическая значимость работы.

В первой главе образовательный процесс рассматривается как сложная многофакторная социальная система, представляющая собой упорядоченное множество ситуаций, событий и действий, обеспечивающих передачу и усвоение учебной информации с накоплением профессиональных знаний, умений и формированием персональных качеств обучаемых.

Проведенный в главе литературный обзор показал, что используемые методы анализа эффективности образовательной системы связаны с экспертными и статистическими оценками состояния отдельных ее элементов и подсистем без учета динамики поведения каждого активного элемента и его прямого влияния на состояние других элементов системы на каждом этапе обучения.

Далее в главе излагается концептуальная модели образовательного процесса накопления знаний, связанная с использованием агентных технологий имитации взаимодействия интеллектуальных агентов классов "преподаватель" и "студент" в сложных ситуациях с нечеткой информацией и конфликтными состояниями по аналогии с интеллектуальным поведением человека в подобных условиях.

Концептуальная схема системы обучения, отражающая процесс обучения в вузе (рис.1) включает три основных блока: обучаемый интеллектуальный агент AgStud, имитирующий процесс накопления знаний; интеллектуальный агент AgTeacher, передающий знания обучаемому агенту и оценивающий степень их накопления; объектный блок «Среда обучения», отражающий условия обеспечения учебного процесса (расписание занятий, учебно-методические указания, оснащенность аудиторий и т.п.).

Дается описание информационных и психологических характеристик обучаемого и обучающего, а также структурных составляющих процесса обучения: обучаемый субъект (учащийся, студент и т.п.); преподаватель (учитель); цели, инновации и формы обучения; средства информационного и

Рис. 1. Концептуальная схема процесса обучения

методического взаимодействия; организация учебного процесса; уровень профессиональной подготовки.

Отмечается, что динамика состояния образовательной системы не может быть прогнозируема изначально аналитически или путем логического анализа, так как она является результатом многошагового взаимодействия множества активных элементов системы и среды обучения.

В связи с этим предлагается разработка мультиагенгной имитационной модели образовательной системы накопления знаний как инструмента идентификации и прогнозирования ее состояния на основе математического моделирования процессов представления и передачи учебной информации, ее восприятия обучаемыми агентами, алгоритмизации поведения и взаимодействия агентов и диалоговых алгоритмов поиска оптимальных стратегий повышения качества обучения и уровня знаний в конкретных условиях.

Во второй главе излагается структурно-параметрическое описание интеллектуальных агентов классов «преподаватель» и «обучаемый»

Интеллектуальный агент AgStud может быть описан переменными и параметрами когнитивного Со, личностного Ps, эмоционального Ет и социального So состояний в виде кортежа векторов: AgStud = {Со, Ps, Ет, So }, где: Co¡ = {си, с¡7}- вектор параметров когнитивного состояния /-го агента, включающий: c¡¡ - интеллект по IQ; c¡2 - внимание; с« - способность к восприятию; с¡4- уровень априорных знаний J0\Сц-коэффициент эффективности переработки информации R; с1е - скорость восприятия информации A; cj7 -текущий уровень знаний J;

Em¡ = {ец, e¡2, ев,} - вектор параметров эмоционального состояния /'-го агента: ец- психотип личности; е ц - степень удовлетворенности обучением;

е ¡з - эмоциональная реакция;

Ра = {ри, ра, Ри} - вектор персональных характеристик агента: р и -сознательность; ра- трудолюбие; р,3 - быстрота утомляемости;

= йц} - вектор параметров социального состояния: 5ц- индекс социометрического статуса; - уровень взаимодействия.

Параметры состояния определялись в результате экспериментальных психологических тестов в группе студентов с последующим нормированием и приведением к универсальному виду условной становой шкалы, используемой в теории профессионального подбора персонала.

Эмоциональная реакция студента на процесс обучения (удовольствие, ожидание, обучение, стремление, безразличие, отрицание и т.п.) зависит от его эмоционального состояния в точке эмоционального гиперпространства с координатами q] ; J =1,15 {счастье, грусть, злость, скука, сомнение, надежда, страх, интерес, презрение, отвращение, разочарование, удивление, гордость, стыд, чувство тпы) и может быть определена множественной регрессией ее конкретного вида от значений координат:

б»=*/о + ¡=1.6 , (1)

м

где q] - балльная субъективная оценка уровня эмоции (у-й координаты); тг число эмоций, имеющих сильную корреляционную связь с областью /-й эмоциональной реакции агента (/ =1,б).

При известных или задаваемых оценках координат вектора эмоционального состояния агента в 15-и мерном эмоциональном пространстве после очередного события, определяется область наиболее интенсивной эмоциональной реакции, обуславливающей дальнейшие действия агента.

Коэффициент психологической напряженности агента определяется отношением абсолютного количества антагонистических связей к общему количеству взаимодействующих агентов.

Социальное состояние агента определяется индексом социометрического статуса С/, характеризующим степень общительности студента и его отношения к коллективу в целом и рассчитывается с помощью экспертного опроса по формуле:

С I = Е я + 5 л ); ¡ = , (2)

где Бу, 5/, - количество прямых и обратных связей /-го агента с другими агентами AgStudj в группе с оценками сотрудничества (+1), антагонизма (-1) и безразличия (0) во взаимодействии; N - число студентов в труппе.

Объем новых накапливаемых знаний 3(1) агентом AgStud в зависимости от объема представляемой информации I, и ее избыточности определяется уравнением:

J(t) = R-I,-\l-f

+ Л. ni

где R = у- - усредненный коэффициент эффективности обучения,

изменяющейся от 1 до 0; J0 - количественная оценка априорных знаний.

Из формулы (3) следует, что при J0 = It J(t) остается на уровне априорных знаний Jo.

Динамику накопления знаний в первом приближении можно описать дифференциальным уравнением первого порядка:

(4)

где Rt - коэффициент эффективности усвоения информации в текущий момент времени t\ Т- постоянная времени усвоения единицы новой информации, сек',

Постоянная времени Т обратно пропорциональна пропускной способ -иости агента X, [ед. информации / ед. времени], определяющей время переходного процесса и скорость накопления знаний при единичном скачке входной информации в начальный момент времени, т.е.

Л, (5)

Пропускная способность зависит в первую очередь от исходного когнитивного состояния обучаемого агента, его априорных знаний, эмоционального состояния и эмоциональной реакции и изменяется в процессе обучения в зависимости от объема воспринятой информации J(t), способа представления степени тренированности и других факторов.

В общем случае исходное значение Äio /-го агента - «обучаемого» можно выразить уравнением регрессии от исходных параметров когнитивного и эмоционального, социального состояний и персональных характеристик /-го агента на основе корреляционного и регрессионного анализа экспериментальных данных в виде:

JLl JIl JIl JIl.

Ло аосо + Z a*etk + X ааРа + 2 atrstr. i=1>Nt (6)

]=l k=1 1=1 r=l

где ay - коэффициенты линейной множественной регрессии; Су,ецt,pn,Sir - параметры когнитивного, эмоционального, персонального и социального состояний г'-го агента, соответственно.

В первом приближении будем считать, 'что не изменяется в процессе восприятия текущей информации и зависит главным образом от уровня априорных знаний, эмоционального состояния и персональных характеристик агента.

Тогда эффективность процесса накопления знаний /'-м агентом, оцениваемая коэффициентом эффективности переработки представляемой информации как отношение воспринятой им информации к представленной может быть записана в виде:

Л -I t А А А

Я, = -7— = — ■ (а,0 + 2, ааса + Ъ а*е* + а»РI); N. (7)

11 1/ У=1 к=1 1=1

где Я,о - пропускная способность г'-го агента в начальный момент времени.

Общая эффективность учебного процесса в группе из N студентов рассчитывается как:

1 у

(8)

В соответствии с уравнениями (3)-(5) и экспериментальными данными нормированный процесс накопления знаний аппроксимируется функцией вица:

А0 = /г(1-е~л'), (9)

где и - объем информации, предъявляемый преподавателем в установленное время обучения Я - пропускная способность агента - обучаемого, обусловленная психофизиологическими возможностями и состояниями агента в заданных условиях.

Более точное нахождение Лю достигается использованием алгоритма обучения искусственной нейронной сети, показанной на рис. 2 для наиболее значимых факторов состояния агента с/, и рь

Рис. 2. Нейронная сеть типа многослойный персептрон для расчета X

10

Для реализуемой сети выходной сигнал /-го нейрона скрытого слоя представляется функцией:

'л. А^ \

1=1,9 (10)

ГДС С^ £/а р/Р!,к> " БХОДКЫС иараМСхрЫ НСЙрОННОЙ ССхИ И ИХ

весовые коэффициенты.

Тогда выходной слой, где формируется значение пропускной способности обучаемого агента X, будет иметь вид:

си)

Ы )

В ходе обработки экспериментальных данных, а также проведения экспериментов с различными типами НС наилучшей функцией активации нейрона на обоих слоях была выбрана сигмоидальная униполярная форма, дающая наименьшее отклонение от искомого значения К в процессе обучения сети.

(12)

1+е

В соответствии с этим имеем:

1

у( =-—

1+еч^ЬйЧ + 1^4 • + -р,

После обучения НС функция нахождения к при известных весовых коэффициентах Д/ примет вид:

Л--Л-г (13)

В качестве алгоритма обучения сети был выбран наиболее эффективный метод обратного распространения ошибки с целевой функцией в виде суммы квадратов разностей между фактическими X, и ожидаемыми расчетными Ярг значениями выходных сигналов на г- м шаге обучения

Я(/?)=£(ЛГ-Ч')2 (14)

ы

Уточнение весовых коэффициентов обучения производится по формуле:

где ДД® - изменение весов /-го нейрона выходного слоя на г-м шаге обучения, определяемое как:

где: г/ - шаг обучения (0 < г) < 1) и ошибка сети для выходного слоя, соответственно.

Полученная в работе ошибка обучения нейронной сети МЬР-7-9-1 равнялась 0,03 при средней квадратичной ошибке 0,07. Обучающая выборка составила 130 человек.

На основании результатов эксперимента была проведена кластеризация агентов "студент" по четырем уровням усвоения знаний: отлично, хорошо, удовлетворительно, плохо (таблицы 1, 2) с использованием алгоритма к-теаш (к-средних).

Таблица 1

Средние значения показателей принадлежности кластеру

Уровень обучения с1 с2 сЗ с4 е2 Р1 р2 % студентов, принадлежащих кластеру

отлично 0.88 0.56 0.77 0.87 0.81 0.87 0.86 16.15

хорошо 0.65 0.39 0.41 0.67 0.65 0.63 0.67 36.15

удовлетворительно 0.36 0.30 0.24 0.47 0.42 0.34 0.34 30.77

плохо 0.14 0.23 0.09 0.24 0.33 0.21 0.15 16.92

Таблица 2

Дисперсии разброса показателей принадлежности кластеру

Уровень обучения с1 с2 сЗ с4 е2 Р1 р2

отлично 0.044 0.119 0.159 0.072 0.075 0.146 0.156

хорошо 0.097 0.035 0.074 0.093 0.099 0.123 0.128

удовлетворительно 0.084 0.018 0.050 0.092 0.151 0.159 0.117

плохо 0.039 0.027 0.077 0.150 0.080 0.229 0.187

Алгоритм сводится к минимизации на каждой итерации среднеквадратичного отклонения для каждого кластера с вычислением центра масс и повторением разбиения на кластеры в соответствии с тем, какой из новых центров оказался ближе по выбранной метрике. Алгоритм завершается, когда на очередной итерации не происходит изменения кластеров.

По методу к-средних кластеризация сводится к минимизации среднеквадратичного отклонения на точках каждого кластера:

/=1 х1*с1,е,,р1

где ¿-количество оцениваемых параметров, X] значение параметра (когнитивного, эмоционально, персонального), ц - центр масс /-го кластера.

Для оценки уровня накопленных знаний на основе общепринятой пятибалльной системы применяется аппарат нечетких множеств с лингвистической переменной "Оценка", характеризуемой уровнем знаний /го студента ([/,=[0,1]) и терм-множеством Т={"Отлично", "Хорошо", "Удовлетворительно ", "неудовлетворительно "} с функцией принадлежности:

//г(и)=ехр

х-с

где, с - центр нечеткого множества;

5 - параметр, отвечающий за крутизну функции. По результатам кластеризации были выявлены параметры с и 8 как математическое ожидание и дисперсия, разброса среднего бала за период обучения (таблица 3)

Таблица 3

Математическое ожидание и дисперсия среднего бала

Параметры с и 5 Отлично Хорошо Удовлетворительно Неудовлетворительно

Математическое ожидание 0.877 0.720 0.532 0.337

Дисперсия 0.035 0.044 0.076 0.063

Тогда в графическом виде функция принадлежности имеет следующий вид (рис.3):

1

0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

,•/ \\

/ \ • \ к \ \\

,7 ^

/ // \ 4

/ / / Ч •

N. Ч

• У * //'-. -------Ч-"'

_ _ ^ . -Г......

--Отлично • Хорошо

«Удовлетворительно 1 • • Неудовлетворительно

0 0.2 0.4 0.6 0.8 1

Рис 3. Функция принадлежности уровня знаний студента к оценке.

Тогда в качестве значения лингвистической переменной (оценки) следует принять тот терм, чья функция принадлежности достигает максимального значения.

Формализованный выше подход к определению оценки позволяет настраивать модель по уровню лояльности преподавателя к предъявляемым студентом знаниям, обеспечивая тем самым гибкость модели накопления знаний.

Математические модели (1)-(7) и продукционные правила поведения агентов позволяют составить описание состояния и поведения агентов в зависимости от ситуации взаимодействия с другими агентами и средой.

Агент "преподаватель" AgTeach характеризуется главным образом кортежем состояния:

АдТеасИ = {Со, Ет},

13

где Со = {си С2, сз} - вектор когнитивного состояния, включающий:

Ci - базу знаний, с2 - уровень умений, с3 - степень владения предметной областью;

Ет = {&ь £2} - вектор переменных эмоционального состояния, характеризующий: в] - нервно-психологическую устойчивость; ег- психотип личности; вз - степень удовлетворенности результатами обучения и др.

Основные события, связанные с поведением агента AgTeach, сводятся к следующему:

1. Передача знаний студентам в соответствии с учебным планом в течение аудиторных занятий. При этом качество транслируемой информации определяется когнитивным и эмоциональным состоянием преподавателя и оснащенностью аудиторий.

2. Промежуточный контроль успеваемости, аттестация и рейтинговая оценка студентов.

3. Итоговый контроль знаний (зачет, экзамен, переход к следующему этапу обучения).

В третьей главе описывается построение имитационных моделей интеллектуальных агентов классов «студент» и «преподаватель» на объектно-ориентированном языке описания моделей Simplex-MDL (Model Description Language) в виде базисных MDL-компонентов с декларированием переменных состояния, сенсорных связей и описанием динамики поведения агентов в процессе обучения в виде алгебраических и дифференциальных уравнений (3)-(4) и последовательности событий.

Базисные MDL - компоненты, описывающие состояние и динамику ИА AgStud, объединяются с помощью структурного компонента HIGH LEVEL COMPONENT AgStud, задающего структуру взаимосвязей между базисными компонентами состояния в виде Emotion.EmReaction —> Behaviour. EmReacti-оп и т.п., указывающим в данном случае на передачу переменной EmReaction из базисного компонента Emotion в компонент Behaviour для формирования стратегии поведения агента.

Фрагмент описания структурного MDL -компонента имеет вид:

HIGH LEVEL COMPONENT AgStud

SUBCOMPONENTS Cognition, Emotion, Personality, Social, Behaviour

INPUT CONNECTIONS Time[k] -> Behaviour. Time[k]

V[k]-> Behaviour. V[k] I -> Cognition.I;

OUTPUT EQUIVALENCES

# Компоненты состояния агента:

# когнитивное состояние

# эмоциональное состояние

# персональное состояние

# социальное состояние

# поведение агента

# Входные переменные

# Типе[к] - время начала к-го цикла

# аудиторных занятий,

# У[к] -характеристики среды обучения

# Количество входной информации

# Выходные переменные

J := Behaviour. J;

# Количество усвоенной информации

COMPONENT CONNECTIONS # Описание связей между субкомпонентами AgStud

Emotion. EmReaction ~> Behaviour. EmReaction;

Social uCwNvvd —^ Bshs'iic'jr SccAkî'

Social. SooActi.'.al —> Behaviour SoçBed;

Behaviour. PresAction ~> (Cognition. PresAction, Personality. PresAction, Social. PresAction, Emotion. PresAction) ;

Behaviour. TimeRelax -> Personality. TimeRelax;

END OF AgStud

Описание агента AgTeach в соответствии с параметрической моделью состоит из трех независимых боков: поведение (Behavior), когнитивное состояние (Cognition) и эмоциональное состояние (Emotion) и аналогично по своей структуре AgStud.

Далее в главе рассматривается общий алгоритм моделируемого учебного процесса с фазами активного обучения с преподавателем, самостоятельной работы и свободного времени (рис. 4).

В начале цикла моделирования задаются характеристики агентов AgStud и AgTeacher и рассчитываются исходные значения параметров и переменных векторов эмоционального, когнитивного, социального и персонального состояний.

Далее агенту сообщается расписание лекционных, практических и лабораторных занятий и свободное время, в которое он может заниматься самостоятельно или с другими агентами AgStud, консультациями с преподавателем AgTeacher или просто отдыхать.

В зависимости от уровня эмоциональной напряженности, когнитивного состояния и других факторов происходит процесс накопления знаний в соответствии с математическим описанием (1) - (10), представленным во второй главе.

После проведения занятий, агент AgStud оценивает уровень полученных знаний и при неудовлетворенной оценке переходит в фазу самостоятельного пополнения базы знаний с индивидуальной или коопе-ративной стратегиями.

Оценка уровня полученных знаний в большинстве случаев связана с переговорным процессом и достижением согласия путем интерактивного обмена информацией в форме вопросов и ответов, на основе которого выставляется рейтинговая оценка Bail.

Если обучаемый успешно ответил на вопросы и согласен с полученной оценкой, процесс заканчивается. В противном случае диалог продолжается с предъявлением дополнительных вопросов до наступления согласия, либо выставления неудовлетворительной оценки.

Четвертая глава посвящена построению мультиагентной модели образовательной системы накопления знаний

С Начало цикла обучения J

Идентификация исходного состояния агентов AgStyd и AgTeach

Рис. 4. Общий алгоритм учебного процесса накопления знаний

В соответствии с концептуальной схемой (рис.1) мультиагентная имитационная модель Learning включает пять базисных компонентов (рис. 5): AgStud, AgTeach, компонент Area - «среда обучения»; компонент Statistic -«текущая успеваемость и оценка эффективности», компонент Connektion -для адресного обмена сообщениями между агентами AgStud и AgTeach.

16

Рис. 5. Мультиагентная имитационная модель Learning

Time[k] - время начала к-то цикла аудиторных занятий, к=1..3; V[k] - характеристики среды обучения (оснащенность компьютерами, мультимедийными средствами, интернет и т.п.); Vymk - учебные планы и графики лекционных, практических и лабораторных занятий на семестр; Control -информация о времени проведения и виде контроля; J[i] -информация о накопленных знаниях /-го агента; Ipt - поток информации от преподавателя, MassegeStud - мобильный компонент с сообщениями от агентов AgStlid, MassegeTeach -мобильный компонент сообщений от агента AgTeach; Ball[i] - оценка 1-го студента.

Обмен сообщениями между агентами обеспечивается с одной стороны мобильным компонентом MessageStud, передающим информацию от агентов AgStudi агенту AgTeach об эмоциональной реакции, социальной потребности, запрос о помощи; и с другой стороны мобильным компонентом MessageTeach с оценкой Ball[i] i-у студенту и персональной информацией (дополнительный контроль, поощрение или порицание, дополнительные занятия и т.п.).

Пример мобильного компонента MessageStud имеет вид:

MOBILE COMPONENT MessageStud LOCAL DEFINITIONS VALUE SET

# Тип сообщения: помощь, дополнительная информация, ничего не нужно

MessageType : (Help', "NewKnow1,"Nothing')

# Эмоциональная реакция: удовольствие, ожидание, обучение, стремление,

# безразличие, отрицание

StateEmotions: (Pleasure', 'expectation1,' training', 'Aspiration','

l'nHifferennp' 'negation 4

'o-----/

DECLARATION OF ELEMENTS STATE VARIABLES DISCRETE

Sender (INTEGER) := 0, Receiver (INTEGER) := 0, Type (MessageType) := "Nothing', Em (StateEmotions) := 'expectation', SocNeed (REAL) := 0, TStamt(REAL) :=0,

# индекс отправителя

# индекс получателя

# тип сообщения

# эмоциональная реакция

# уровень социальной потребности

# время сообщения

END OF MessageStud

Структурные и базисные A/DL-компоненты объединяются в мультиагентную имитационную модель с помощью структурного компонента верхнего уровня HIGH LEVEL COMPONENT LearningJHigh, задающего структуру взаимосвязей между моделями, сенсорных переменных и накопительных массивов сообщений {Location).

HIGH LEVEL COMPONENT Learning High DIMENSIONS

NAgS := 20 # Количество агентов AgStud

SUBCOMPONENTS

Area, # Внешняя среда

ARRAY [NAgS] AgStud, # Массив агентов AgStud

AgTeach, # Агент AgTeach

Connect, # Взаимосвязи агентов

Statistic # Компонент статистики

COMPONENT CONNECTIONS # Описание связей Area.Time[k] --> (AgStudfALL i}.Time[k], AgTeach.Time[k]); Area.V[k] --> (AgStud{ALL i} .V[k], AgTeach.V[k]); Area.Control-->(AgStud{ALLi}. Control, AgTeach. Control);

AgStud {ALL 1}J -> Statistik.J[i];

AgTeach .Ball {ALL i} --> Statistik. Ball[i]; END OF Learning_High

Из блока Area (среда обучения) агентам AgStud (студент) и AgTeach (учитель) по каналам сенсорных связей передается организационная информация о времени начала лекционных, практических и лабораторных занятий, Time[k]\ к=1..3\ характеристики среды обучения Vfk] (оснащенность компьютерами, мультимедийными средствами, интернет и т.п.); план лекционных, практических и лабораторных занятий на семестр

информация о времени проведения и типе контроля Control накопленных знаний-Л

От агента AgTeach каждому агенту AgStud через компонент Connect поступает поток учебной информации I, программа контроля ActControl и оценка, выставляемая преподавателем /-у студенту Ballt.

В свою очередь, агент AgTeach через компонент Connect получает от агентов AgStudi информацию о накопленных знаниях J, z'-го агента, социальной потребности его в работе с преподавателем, целях обучения, эмоциональной реакции; вопросы и оценки качества преподавания и др.

В пятой главе рассматривается организация имитационного эксперимента с оценкой результатов мультиагентного моделирования образовательной системы.

Имитационный эксперимент, описанный на специализированном языке Simplex-EDL заключался в генерации параметров исходного состояния системы (времени проведения занятий, начальных психологических характеристик агентов) и моделировании ситуаций, возникающих в динамике временных и условных событий изменения состояния и взаимодействия ИА, включающих в себя фазы обучения и контроля.

Для нахождения и прогнозирования оптимальных решений проводятся эксперименты с моделью при изменении стратегии поведения агента «преподаватель» во время проведения занятий и передачи необходимой для обучения информации.

В результате имитационного моделирования на основе исходных данных и параметрических описаний получены графики изменения уровня знаний студента в процессе активной и самостоятельной фаз обучения (рис.6,7).

На графике (рис. 6) отображена тенденция накопления знаний учащихся. Во время моделирования от 0 до 4,5 часов наблюдается рост знаний агентов в активной фазе обучения.

-ОЫ ]'1--ОМ #.г<»вш«.Н|8Ь'.АвЯт1РР

- - ОЬ*1#.Ъ<шияв Нц!ЫА(®и<1Г31/|----ОЫагеышпя Нц&'АвЗММЯ

Ряс. 6. Графики накопления знаний агентами AgStud в фазе активного обучения

Из графика видно, что наиболее успешное накопление знаний показывает агент AgSíudl за счет высоких когнитивных, эмоциональных, социальных и личностых характеристик и уровня априорных знаний.

Агент AgStud2 по сравнению с AgStudl имеет более низкие когнитивные характеристики и запаздывет в процессе усвоения представляемой информации. Однако за счет высоких личностых характеристик (стремления к обучению) он приближается к уровню знаний агента AgSíudl.

Состояние агента AgStudЗ соответствует удовлетворительному уровню, но при хорошей самостоятельной проработке материала и более активном взаимодействии имеет более высокий уровень знаний, чем агент AgStud4, состояние которого находится на неудовлетворительном уровне.

На рис. 7 видно, как в цикле учебного процесса с активной (0 - 4,5 ч)

1 --- I -1-

__ __^______^шаГ"

м."—_______.........-

0.4 ..........ч> -------------/~А. А85ЫЗ ----------

~---___' _______

02 ' ...................................... ' | .^ШсН

ол--------------------------------------------п------------

«I---1--

О 1.5 3 4.5 6 7.5

-- ОЬз1#;Ъеагпшг_Ш811/.Л55Ы[2]/011111

--ОЬв^/Ьеапшу? Ш(?11'Аг5Ы[31/(Зиа1-—ОЬз1й1еагшив ВДгА^Ы^ риа!

Рис. 7. Изменения эффективности накопления знаний агентами в фазах активного и самостоятельного обучения

О - 4,5 ч - активная фаза лекционных, практических и лабораторных занятий;

4,5 - 7,5 ч - фаза самообучения, самоконтроля и упражнений

и самостоятельной (4,5-7,5 ч) фазами работы изменяется общая эффективность обучения агентов с учетом изменения их когнитивного Со, эмоционального Q^ и социального Бо состояний.

На разных этапах активного (0-4,5 ч) и самостоятельного (4,5-7,5 ч) обучения агенты AgSíud изменяют свое общее состояние в соответствии с показателем эффективности обучения, параметрами когнитивного и эмоционального состояний и социального статуса.

В результате имитационного эксперимента были получены прогнозируемые оценки знаний агентов AgSíud, приведенные в таблице 4 в сравнении с фактическими экспериментальными данными.

1 1 >>ч»-

-......... . — —■г—. ■— \ _____| дапкИ V-] /\gStud2 ....... — ■*"' "" ✓

\ \ \ • — /~\ А8ЗЫЗ ___ .............. ' .^ШсН

1 1

Таблица 4.

Сравнение результатов моделирования _

№ агента с1 с2 сЗ с4 е2 Р1 Р1 Б1 реальная оценка прогнозируемая оценка

45 0.22 0.27 0.20 0.60 0.33 0.10 0.20 0.00 2 2

7 0.29 0.27 0.2 0.6 0.30 0.20 0.20 0.67 3 2

61 0.50 0.32 0.30 0.80 0.47 0.40 0.50 0.67 3 3

3 0.69 0.41 0.40 0.80 0.73 0.70 0.70 0.33 4 4

11 0.84 0.48 0.60 1.00 0.80 0.90 0.90 0.33 5 5

Как видно из таблицы, модель дает достаточно точные результаты.

В экспериментах с 40 агентами абсолютная погрешность меэвду оценками реальной группы студентов и агентами составила около 11% и обусловлена большим количеством слабо формализованных субъективных факторов и сложностью моделируемого процесса.

В заключении обобщены наиболее существенные результаты исследования и вытекающие из них основные выводы, практические рекомендации по совершенствованию и оптимизации образовательного процесса в ВУЗе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Предлагаемая мультиагентная имитационная модель взаимодействия активных элементов системы в условиях сложно-формализуемой задачи передачи и накопления знаний дает возможность идентифицировать и прогнозировать состояние образовательной системы, являющееся результатом многошагового взаимодействия множества активных элементов системы и среды обучения.

2. Разработана функциональная модель интеллектуального агента с параметрическим описанием блоков его состояния и цели, динамики поведения и взаимодействия с другими агентами.

3. Разработаны статические и динамические математические модели накопления знаний и нейросетевая технология определения пропускной способности обучаемого агента в процессе усвоения учебной информации в зависимости от параметров его интеллектуального, эмоционального и социального состояний.

4. Предложены математические модели эмоционального состояния и эмоциональной реакции агента в многомерном эмоциональном пространстве в зависимости от представляемой информации о достижении цели.

5. Разработанные математические модели изменения состояния агентов в процессе накопления знаний могут быть реализованы в мультиагентной имитационной модели образовательного процесса в универсальной

имитационной системе Simplex3 на объектно-ориентровагагом языке моделирования Simplex-MDL и языке описания эксперимента Simplex-EDL.

6. Для поиска оптимальных планов и стратегий процесса обучения разработаны алгоритмы и диалоговые процедуры организации имитационного эксперимента с моделью на языке описания эксперимента Simplex-EDL.

7. Проведена кластеризация модели обучаемого по психологическим показателям и конечному уровню знаний агента «студент».

8. Разработанный пользовательский интерфейс обеспечивает диалоговый режим работы с имитационной моделью для проведения эксперимента с различными параметрами состояния и стратегиями поведения агентов.

9. Подтверждена адекватность модели прогнозирования мульти-агенгной имитационной модели накопления знаний.

10. Произведена оптимизация модели путем увеличения времени познания и алгоритмов поведения агента преподаватель для максимизации среднего балла обучаемых.

СПИСОК ПУБЛИКАЦИЙ

1. Ивашкин Ю.А. Назойкин Е.А. Имитационная система моделирования и управления качеством образовательного процесса // Вестник Международной Академии Системных Исследования. Информатика, Экология, Экономика. Том 10, часть П, М., 2007. - С.31-39

2. Ивашкин Ю.А., Назойкин Е.А. Агенгао-ориентированная имитационная модель образовательного процесса // Труды конгресса по интеллектуальным системам и информационным технологиям "AIS-IT'09". М:Физматлит. - 2009. Т.2, с. 301-307

3. Ивашкин Ю.А., Назойкин Е.А. Мультиагенгаое имитационное моделирование процессов обучения // Труды конгресса по интеллектуальным системам и информационным технологиям "AIS-IT'lO". М:Физматлит. - 2010. Т.1, с.147-152

4. Ивашкин Ю.А., Назойкин Е.А. Мультиагенгаое имитационное моделирование процесса накопления знаний // Программные продукты и системы. №1,2011. - С. 47-52

5. Ivashkin Y.A., Nazoikin Е.А. Agent-Based Simulation Model of Educational Process in the Student Group // International Conference on Computational Intelligence, Modelling and Simulation - Brno, Czech Republic, 2009.-P. 132-137

6. Назойкин E.A. Агенгао-ориентированная имитационная модель процесса подготовки студентов / Е.А. Назойкин // Математические Методы в Технике и Технологиях (ММТТ- 21) : сб. тр. XXI Междунар. науч. конф. / Тамбов: Изд-во Тамб. гос. техн. ун-та, 2008. - С. 170-173.

7. Назойкин Е.А. Имитационная модель образовательного процесса в группе студентов / Е.А. Назойкин // Информационные технологии в

образовании, технике и медицине : материалы междунар. конференции. / Волгоград : ВолгГТУ, 2009. - С. 41-42

8. НазойкинЕ.А. Агентно-ориентированные технологии прогнозирования качества образовательного процесса // Информационные технологии моделирования и управления, 1(66), 2011. - С. 19-25

9. Назойкин Е.А. Мультиагенхное моделирование учебного процесса передачи и накопления знаний // Системы управления и информационные технологии, 1.1(43), 2011. - С. 159-162

10. Ивашкин Ю.А., Назойкин Е.А. Моделирование систем. Структурно-параметрические и агентно-ориентированные технологии : лабораторный практикум / Ю.А. Ивашкин, Е.А. Назойкин. - М.: МГУПБ, 2010. - 134 с.

Издательство ООО «Франтера» ОГР № 1067746281514 от 15.02.2006г. Москва, Талалихина, 33

Отпечатано в типографии ООО "Франтера" Подписано к печати 12.04.2011г. Формат 60x84/16. Бумага "Офсетная №1" 80г/м2. Печать трафаретная. Усл.печ.л. 1,50. Тираж 100. Заказ 415.

WWW.FRANTERA.RU

ВВЕДЕНИЕ.

ГЛАВА X. Учебный процесс как сложная многофакторная социальная система.

§1.1. Инженерно психологическая концепция образовательного процесса и существующие технологии обучения.

§ 1.2. Информационные и психологические характеристики обучаемого и обучающего субъектов (студента и преподавателя).

§ 1.3. Анализ существующих математических методов. оценки качества и оптимизации процесса обучения.

§ 1.4. Концептуальная схема и проблематика мультиагентного моделирования образовательной системы вуза.

ГЛАВА 2. Параметрическое описание состояния агентов в образовательной системе накопления знаний.

§2.1. Информационная и структурно-параметрическая модель интеллектуальных агентов AgStud и AgTeach.

§ 2.2. Расчетное и эксперементальное определение параметров. состояния обучаемого агента AgStud.

§ 2.3. Математическое моделирование процесса накопления знаний.

§ 2.4. Кластеризация агентов в оценке конечного уровня. итоговых знаний.

ГЛАВА 3. Имитационные модели интеллектуальных. агентов класса «студент» и «ПРЕПОДАВАТЕЛЬ».

§ 3.1. Функциональная структура агента «студент».

§ 3. 2. Алгоритм поведения агента

§8Шс1 в процессе обучения.

§ 3.3. Функциональная структура агента «преподаватель».

§ 3.4. Алгоритм поведения агента AgTeach в процессе преподавания.

ГЛАВА 4. мультиагентная имитационная модель образовательной системы, накопления знаний "Learning".

§ 4.1. Общий алгоритм образовательного процесса накопления знаний.

§ 4.2. Мультиагентная имитационная модель. образовательного процесса.

§ 4.3. Фрагменты программного кода ИА AgStud.

ГЛАВА 5. Организация имитационного эксперимента в.

§ 5.1. Создание вспомогательного интерфейса пользователя на языке описания эксперимента Simplex-EDL с внешними программами Delphi.

§ 5.2. Структура программного комплекса Learning.

§ 5.3. Инструментальные средства моделирования ИА (выбор симулятора)

§ 5.4. Имитационный эксперимент идентификации и оценки накопления знаний в процессе обучения.

§ 5.5. Организация имитационного эксперимента для нахождения оптимальный условий процесса обучения.

В соответствии с Законом Российской Федерации "Об образовании" организационной основой государственной политики Российской .Федерации в области образования является Федеральная целевая программа развития образования (в ред. Федерального закона от 22.08.2004 N 122-ФЗ) и концепция Федеральной целевой программы развития образования на 20112015 годы, направленные на реформирование и совершенствование системы подготовки профессиональных кадров, вопросы развития, интенсификации и оптимизации системы высшего образования и образовательного процесса в сложившихся экономических условиях являются одной из важнейших государственных и социальных проблем страны. В связи с этим введены в действие новые государственные образовательные стандарты и государственная программа контроля качества образования [96], направленная на выполнение современных требований к подготовке квалифицированных специалистов для дальнейшего интенсивного развития отраслей промышленности и народного хозяйства.

Выполнение государственных требований к высшему образованию требует применение наукоемких методов обеспечения качества подготовки специалистов, бакалавров и магистров на основе системного анализа, математического и имитационного моделирования систем, теории принятия решений и информационных технологий.

В условии резкого увеличения объемов учебной, методической и административно-управленческой информации решения задач управления, интенсификации и оптимизации образовательной системы высшего учебного заведения связано с использованием компьютерных систем поддержки принятия решений в сфере идентификации и прогнозировашш состояния образовательной системы на основе математических методов и имитационного моделирования при различных стратегиях процесса обучения.

Большой вклад в общую теорию образовательного процесса и его информатизацию на основе, инженерно-психологических и математических методов анализа процессов обучения и деятельности образовательного учреждения внесли работы В.Ф. Венды [14], А.И. Галактионова, Ф. Е. Темникова [71], Ю. Н. Кушелева [39] А.П., А.П. Свиридова [64], И.И Протопопова-[62], А.Г. Чачко;- В. Н. Васильева [12], М. Весны [15], Ю. Ветрова, В.А. Балабана, С.И. Архангельского [3, 4], В.П. Беспалько [7-9], т.д. Дегтярева, Н.В. Спешилова, Л .Я. Зориной, В.Н. Буркова, и др.

Во многих трудах отечественных [3, 4, 7, 10, 11, 25, 47, 48, 52, 62, 64] и зарубежных ученых [86, 90, 95] рассматривается методология управления вузом и качеством подготовки специалистов в течение всего времени обучения от абитуриентов до выпускников на основе статистической информации и экспертных оценок. Описываются математические модели управления процессами самообразования и самовоспитания студентов и преподавателей университета [8, 41, 52, 62 ], а также математические модели оценки остаточных знаний [11, 12, 20, 38, 47]. Большое внимание уделяется технологиям электронного и дистанционного обучения, подготовке электронных учебников и тестовому контролю, мультимедийным средствам и педагогическим технологиям.

При этом явно недостаточно используются принципы системного анализа и математического моделирования образовательного процесса как большой социальной информационной системы с множеством взаимосвязанных элементов, объединяемых общей целью; многофакторными процессами представления, передачи и восприятия учебной информации; психофизиологическими факторами эффективности взаимодействия учигеля с группой учеников в среде обучения и накопления знаний.

Состояние системы образования в условиях неполной и нечеткой информации в большинстве случаев непредсказуемо и не может быть прогнозируемо изначально аналитически или путем логического анализа, 5 так; как оно является результатом многошагового взаимодействия множества активных элементов системы и среды обучения. Применяемые аналитические методы диагностики и оценки эффективности учебного процесса рассматривают статические состояния отдельных этапов обучения без учета динамики состояния и поведения активных элементов (преподавателей и учащихся) при заданных и изменяющихся условиях и стратегиях управления. Предлагаемые в настоящее время методы и модели, в основе своей имеют рейтинговую оценку текущего состояния системы и не решают общей задачи идентификации, прогнозирования и управления качеством собственно учебного процесса и накопления комплекса знаний.

В то же время оценка, выбор и прогнозирование результатов различных стратегий и организационных форм обучения (нововведения, повышения уровня материальной базы и др.), направленных на улучшение образовательного процесса возможно с помощью мультиагентного имитационного моделирования, позволяющего описать динамику накопления знаний и навыков в процессе информационного взаимодействия преподавателя и учащихся, оценить влияния различных факторов среды обучения в заданной предметной области; форм, стратегий и технологий образовательного процесса, а также личностных характеристик учащихся и преподавателей на общую успеваемость и качество подготовки специалиста.

Для этого предлагаются модели и алгоритмы агентно-ориентированной имитации взаимодействия активных элементов — интеллектуальных агентов (ИА), варьирующих свои свойства и поведение в зависимости от состояния других элементов и образовательной среды.

Вопросы теории интеллектуальных агентов и агентно-ориентированной имитации в различных областях, разрабатываемые с начала 90-х тодов прошлого столетия нашли отражения в работах отечественных ученых: Д.А.

ВгА. Виттиха, В.И. Городецкого [19], Ю.А Ивашкина [30-33], Ю.В. Котенко

37, 38], Б.В. Лоу [50], Д.А. Поспелова [61], Ю.Н. Павловского [59], ПО.

Скобелева [66], Б. В. Соколова [67],:В.Б. Тарасова, В.Ф. Хорошевского [75] и 6 др., а также в работах зарубежных авторов: J.J. Banks [84], A.J. Fougeres [88], N. Julka [89], A. Kuhn, F. Lopes[91], В. Shmidt [78], H. Sol, M. Toleman., H. Weppner и др.

Однако сложность задачи идентификации и прогнозирования возможного состояния образовательной системы, обусловленная множеством слабо формализованных временных и условных событий и состояний, возникающих в результате пошагового взаимодействия обучаемых и обучающих интеллектуальных агентов, изменяющих свое поведение в зависимости от состояния других агентов и среды обучения, обуславливает необходимость построения специализированной мультиагентной имитационной модели для оптимизации и реформирования образовательной системы с учетом информационных, психофизиологических и социальных факторов, способов представления информации и усвоения знаний в учебном процессе, а также методов профориентации и определения профессиональной пригодности.

В связи с этим разработка агентно-ориентированной имитационной модели образовательной системы, как инструмента системного анализа и принятия ответственных управленческих решений по реорганизации учебного процесса, образовательного учреждения и образовательной системы в целом является чрезвычайно актуальной и социально значимой.

Цель диссертационной работы заключалась в разработке мультиагентной имитационной модели образовательной системы накопления знаний с учетом когнитивных, эмоциональных, социальных и персональных факторов взаимодействия преподавателя и обучающихся с целью идентификации и прогнозирования состояния образовательной системы и принятия оптимальных стратегий повышения качества подготовки специалистов.

Для достижения поставленной цели решались следующие задачи:

1. Формализация принципов организации и функционирования образовательной системы передачи и накопления знаний в концепции агентной имитации взаимодействия обучающего и обучаемых агентов;

2. Разработка функциональной и структурно-параметрической- моделей состояния агентов с учетом социальных, когнитивных, эмоциональных и психофизиологических факторов;

3. Разработка математических моделей и алгоритмов поведения и взаимодействия интеллектуальных агентов (обучающих и обучаемых), в процессе накопления знаний в активной образовательной системе;

4. Создание имитационных моделей состояния и динамики поведения агентов в зависимости от изменения состояния других агентов и среды на объектно-ориентированном языке моделирования;

5. Создание мультиагентной имитационной модели образовательного процесса в универсальной системе имитационного моделирования;

6. Разработка диалоговых алгоритмов и процедур планирования имитационного эксперимента для нахождения оптимальных вариантов организации и планирования учебного процесса.

Научная новизна

1. Предложена концепция мультиагентного имитационного моделирования образовательной системы накопления знаний для идентификации, прогнозирования и управления качеством подготовки обучаемых;

2. Разработана функциональная и структурно-параметрическая модели состояния агентов с учетом социальных, когнитивных, эмоциональных и психофизиологических факторов;

3. Разработаны новые математические модели и алгоритмы поведения и взаимодействия интеллектуальных агентов (преподавателя и обучаемых) в процессе накопления знаний, учитывающие динамику изменения состояния других агентов и среды;

4. Впервые разработана мультиагентная имитационная модель процесса обучения с множеством взаимодействующих агентов класса - "Обучаемый" и класса - "Преподаватель", позволяющая- объективно оценить и оптимизировать стратегию и условия накопления знаний;

5. Разработаны диалоговые алгоритмы и процедуры планирования имитационного эксперимента для нахождения оптимальных вариантов организации учебного процесса.

Практическая значимость работы.

1. Разработан комплекс моделей и программ мультиагентной имитации образовательного процесса в вузе в универсальной системе имитационного моделирования БипркхЗ с описанием агентов на объектно-ориентированном языке моделирования 8тр1ех-МОЬ. с внешними процедурами и ЕБЬ описанием экспериментов в среде экспериментирования

2. Разработаны программы имитационного эксперимента и поиска оптимальных решений на языке Бтркх-ЕОЬ в различных условиях передачи и представления информации с процедурами накопления знаний и распределения учебной нагрузки;

3. Разработан пользовательский интерфейс, обеспечивающий диалоговый режим работы с имитационной моделью для проведения эксперимента с различными параметрами состояния и стратегиями поведения агентов;

4. Разработаны рекомендации и учебно-методические материалы по имитационному моделированию и повышению качества образовательного процесса в вузе.

На защиту выносятся:

1. Мультиагентная имитационная модель образовательной системы с учетом динамического взаимодействия активных элементов в процессе обучения и накопления знаний;

2. Математические модели и алгоритмы динамики изменения состояния интеллектуальных агентов классов - "преподаватель" и "обучаемый" в процессе накопления знаний;

3. Алгоритмы и диалоговые процедуры организации имитационного эксперимента с мультиагентной моделью для нахождения оптимальных вариантов организации учебного процесса.

Апробация работы

Результаты работы представлены на международной научной конференции «Математические методы в технике и технологиях - ММТТ-21», Саратовский государственный технический университет, Саратов, 2008 г.; муждународном конгрессе по интеллектуальным системам и информационным технологиям "AIS-IT'09" Дивноморское, 2009 г.; Европейском конгрессе по моделированию и имитации "International Conference on Computational Intelligence, Modelling and Simulation", Brno, Чехия, 2009 г., международной конференции "Информационные технологии в образовании, технике и медицине". Волгоград, 2009 г., а также опубликованы в журналах: "Информационные технологии моделирования и управления" и "Программные продукты и системы".

Публикации. По материалам диссертации опубликовано 9 печатных работ в статьях и материалах международных конференций, в т.ч. одна на английском языке.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения и приложения и содержит 117 страницы основного текста, 22 рисунка, 25 таблиц и листингов, список литературы из 109 наименований и 90 страниц приложения.

ЗАКЛЮЧЕНИЕ

1. Предлагаемая мультиагентная имитационная модель взаимодействия активных элементов системы в условиях сложно-формализуемой задачи передачи и накопления знаний дает возможность идентифицировать и прогнозировать состояние образовательной системы, являющееся результатом многошагового взаимодействия множества активных элементов системы и среды обучения.

2. Разработанная функциональная модель интеллектуального агента с параметрическим описанием блоков его состояния и цели, динамики поведения и взаимодействия с другими агентами позволяет исследовать

ОЬ сложную социальную систему с учетом индивидуальных свойств и персональных особенностей ее активных элементов.

3. Разработаны статические и динамические математические модели накопления знаний и нейросетевая технология определения пропускной способности обучаемого агента в процессе усвоения учебной информации в зависимости от параметров его интеллектуального, эмоционального и социального состояний.

4. Предложены математические модели эмоционального состояния и эмоциональной реакции агента в многомерном эмоциональном пространстве в зависимости от представляемой информации о достижении цели.

5. Разработанные математические модели изменения состояния агентов в процессе накопления знаний могут быть реализованы в мультиагентной имитационной модели образовательного процесса в универсальной имитационной системе БтркхЗ на объектно-ориентрованном языке моделирования Бтгркх-МОЬ и языке описания эксперимента $тр\ех-ЕВЬ.

6. Для поиска оптимальных планов и стратегий процесса обучения разработаны алгоритмы и диалоговые процедуры организации имитационного эксперимента с моделью на языке описания эксперимента Бтркх-ЕОЬ.

7. Проведена кластеризация модели обучаемого по психологическим показателям и конечному уровню знаний агента «студент».

8. Разработанный пользовательский интерфейс обеспечивает диалоговый режим работы с имитационной моделью для проведения эксперимента с различными параметрами состояния и стратегиями поведения агентов.

9. Подтверждена адекватность модели прогнозирования мультиагентной имитационной модели накопления знаний.

10. Проведены имитационные эксперименты с моделью для нахождения оптимальных графиков путем коррекции времени самостоятельных занятий с целью максимизации знаний и среднего балла в группе обучаемых.

Публикации. По материалам диссертации опубликовано 10 печатных работ в научно-технических журналах и материалах международных конференций, в том числе 2 входящих в список ВАК, а так же 1 учебно-методическое пособие.

1. Аверкин А.Н. Нечеткие множества в моделях управления и искусственного интеллекта. / Аверкин А.Н., Батыршин И.З., Блишун. А.Ф., Силов В.Б., Тарасов В.Б., под. ред. Поспелова Д.А. -М.: Наука, 1986. 312 с.

2. Айзенк Г.Ю. Проверьте свои интеллектуальные способности Рига: Виеда, 1992.-176 с.

3. Архангельский С.И. Лекции по научной организации учебного процесса в высшей школе. М: Высш. школа, 1976. - 200 с.

4. Архангельский С.И. Учебный процесс в высшей школе, его закономерные основы и методы: Учебно-методическое пособие. М.: Высш. школа, 1980.-368 с.

5. Аткинсон Р., Бауэр Г., Кротерс Э. Введение в математическую теорию обучения. М.: Мир, 1969. - 488 с.

6. Беспалько В.П. Программированное обучение. Дидактические основы. -М.: Высш. школа, 1970. 300 с.

7. Беспалько В.П. Стандартизация образования: основные идеи" и понятия//Педагогика, 1993, №5. С. 16-25.

8. Беспалько В.П., Татур Ю.Г. Системно-методическое обеспечение учебно-воспитательного процесса подготовки специалистов: Учебно-методическое пособие. М.: Высш. школа, 1989. - 144 с.

9. Блинов Б.М., Светлов М.С. О методике определения эффективности обучения. Критерий эффективности / Новые исследования в пед. науках. -М.: Педагогика, 1972, № 6. С. 69 - 74.

10. Бурков В.Н., Новиков Д.А. Модели и механизмы теории активных систем в управлении качеством подготовки специалистов. М.: ИЦ, 1998. -158 с.

11. Проблемы методологии педагогики и методики исследований / Под ред. Данилова М.А. и Болдырева П.И. -М.: Педагогика, 1971. 352 с.

12. Васильев Ю.С., Глухов В.В., Федоров М.П. Экономика и организация управления вузом. СПб.: Издательство «Лань», 2001. - 544 с.

13. Вентцель Е.С., Овчаров Л.А. Теория вероятностей. М.: Наука, 1973. -368 с.

14. Венда В.Ф. Инженерная психология и труд оператора асу / В.Ф. Венда. -М.:3нание, 1977 . 64 С.

15. Весна М. Самоорганизация в студенческой учебной группе // Высш. образов, в России, 2003, №2. С. 93 - 95.

16. Виттих В.А. Эволюционное управление сложными системами: Известия Самарского научного центра РАН Том 2, № 1 / В.А. Виттих. -Самара: СНЦРАН, 2000.- 101 с.

17. Вудсон У., Справочник по инженерной психологии для инженеров и художников-конструкторов. / Вудсон У., Коновер Д. М.: Мир, 1968. - 260 с.

18. Генкин Б.М. Основы управления персоналом. Под ред. Генкина Б.М. М.: Высшая школа, 1996. 383 с.

19. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы применения / В.И. Городецкий.-М.: "Новости ИИ", 1996. -159 с.

20. Грабарь М.И. Об одном алгоритме количественной оценки знаний учащихся // Советская педагогика, 1981, №5. С. 64 - 72.

21. Грабарь М.И. Применение вероятностных процессов и факторного анализа в педагогике и психологии // Научно-техническая информация, 1997, №7.-С. 1-11.

22. Гудмен И. Нечеткие множества как классы эквивалентности случайных множеств // Нечеткие множества и теория возможностей. Последние достижения / Пер.с англ; Под ред. Р.Р.Ягера. М., 1986. - С.241-263.

23. Джуринский А.Н. Интернационализация высшего образования в современном мире //Педагогика, 2004, №3. С. 83 - 92.

24. Дмитриева М. А. Психология труда и инженерная психология / М. А. Дмитриева, А. А. Крылов, А. И. Нафтулъев. Л.: Изд-во Ленингр. ун-та, 1979. -224 с.

25. Дружинин В.Н. Когнитивная психология. / Дружинин В.Н., Ушаков» Д.В. -М.: ПЕР СЭ, 2002 480 с.

26. Душков Б. А. Основы инженерной психологии: Учебник для студентов вузов / Душков Б.А., Королев A.B., Смирнов Б.А. Екатеринбург: Академический Проект, 2002.

27. Заде Л. Понятие лингвистической переменной и ее применение к понятию приближенного решения. / Заде Л. М.: Мир, 1976.

28. Зинченко В. П. Инженерная психология / Сб. Под ред. А. Н. Леонтьева, В. П. Зинченко, Д. Ю. Панова. М.: Изд-во Моск. ун-та, 1964.

29. Ивашкин Ю.А. Агентные технологии моделирования рынка. / Известия РАН. Теория и системы управления № 4. 2008г. Стр.165- 176.

30. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем : учебное пособие /Ю.А. Ивашкин. -М.: МГУПБ, 2008. -238 с.

31. Ивашкин Ю.А. Мультиагентное моделирование конфликтных маркетинговых ситуаций: научно-технический журнал «Информационные технологии моделирования и управления. Вып.4 (22)»/ Ю.А.Ивашкин, А.В.Щербаков, Е.А.Рогожкина.- Воронеж,.2005.-539-547 с.

32. Ивашкин Ю.А. Структурно параметрическое моделирование интеллектуальных агентов и систем: сборник «Информационные технологии и системы, вып. 4» / Ю.А. Ивашкин. - Воронеж: Воронежская государственная технологическая академия, 2001.-137 с.

33. Ивашкин Ю.А. Информационные характеристики системотображения и их взаимосвязь с психофизиологическими показателями109деятельности оператора. / Приборы и системы управления, 1969, №4, С. 22 -25.

34. Ительсон Л.Б. Математические и кибернетические методы в педагогике. М.: Просвещение, 1964. - 248 с.

35. Котенко И.В. Командная работа агентов в реальном времени / И.В. Котенко,- Л.А. Станкевич // 19th European Conference on modelling and simulation, ECMS 2005, Riga, Latvia, 2005.

36. Котенко И.В. Модели и алгоритмы обеспечения гарантированного времени решения задач системами, основанными на знаниях // Международная конференция по мягким вычислениям и измерениям. SMC'2000. Сборник докладов. СПб, 2000.

37. Кушелев Ю. Н. Технические средства обучения и контроля. М.: Высшая школа, 1973.- 191 с.

38. Кушелев Ю. Н., Горицкин Ю. А., Смирнова Н. М., Тимошкина Л. И., Обучающая машина «Репетитор МЭИ», Сб. докладов МЭИ по вопросу об эффективных методах обучения, Часть I, МЭИ, 1966.

39. Ларичев О.И. Качественные методы принятия решений. / О.И. Ларичев, Мошкович Е.М. М.:Физматлит, 1996. 208 с.

40. Лернер И.Я. Дидактические основы методов обучения. М.: Педагогика, 1981.

41. Ломов Б. Ф. Основы инженерной психологии. Учебник для техн. вузов / Под ред. Б. Ф. Ломова. М.: Высшая школа, 1986. 447 с.

42. Ломов Б. Ф. Психологические исследования общения. М.: Наука, 1985. -344 с.

43. Сысоев В.В. Конфликт. Сотрудничество. Независимость. Системное взаимодействие в структурно-параметрическом представлении. // М. Московская академия экономики и права. 1999 г. 151с.

44. Ломов Б. Ф. Человек и техника (очерки инженерной психологии). М.: Советское радио, 1966. 464 с.

45. Ломов Б.Ф. Развитие пространственного воображения в процессе , обучения черчению // Проблемы общей и индустриальной психологии. -Л.:ЛГУ, 1963

46. Леонова Н.М. Имитационные математические модели процессов адаптивного управления образовательной деятельностью: монография / под. ред. А.Д. Модяева. / Леонова Н.М., Марковский M.B. М.: МИФИ, 2006. -116с.

47. Леонова Н.М. Параметрически адаптивное управление образовательной деятельностью: монография / под ред. А.Д. Модяева. / М.: МИФИ, 2006. 116с.

48. Леонова Н.М. Синтез алгоритмов адаптивного структурно-параметрического управления образовательной деятельностью / под ред. А. Д. Модяева. / М.: МИФИ, 2006. 116с.

49. Лоу A.M. Имитационное моделирование. Классика CS/ A.M. Лоу, В.Д. Кельтон.- СПб. Литер; Киев: Издательская группа BHV,2004.-848 р.

50. Лысенко Е.Е., Коваленок Т.П. Общая психология: Учебно-практическое пособие. М.: МГАУ им. В.П. Горячкина, 2001. - 100 с.

51. Майбуров И. Высшее образование в развитых странах // Высш. образов, в России, 2003, №2. С. 132 - 144.

52. Маклаков А.Г. Профессиональный психологический отбор персонала. Теория и практика : учебник для вузов / А.Г. Маклаков. СПб. : Питер, 2008.-480 с.

53. Маркин Н.С. Основы теории обработки результатов измерений. М.: Изд-во стандартов, 1991. - 176 с.

54. Моргунов Е.Б. Управление персоналом: исследование, оценка, обучение. / Е.Б. Моргунов. М.: Бизнес-школа "Интел-Синтез", 2000. 262 с.

55. Носов H.A. Психологические виртуальные реальности. М.: Ин-т человека, 1994. - 195 с.

56. Носов H.A. Рефлексивность и виртуальность // Рефлексивныепроцессы. Материалы международного симпозиума. М., 1994, с. 50.111

57. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. — 194 с.

58. Павловский Ю.Н. Имитационные модели и системы/ Ю.Н. Павловский. М.: ФАЗИС, ВЦ РАН, 2000. - 144 с.

59. Попков К.А. Динамические экспертные системы в управлении. М.: Приборостроение, 1996,-№8-9.

60. Поспелов Д.А. От коллектива автоматов к мультиагентным системам: proc. of the International Workshop "Distributed Atrifical Intelligence und Multi-Agent Systems DIAMAS' 97'7 Д.А. Поспелов.- St. Peterburg, 1997.325 c.

61. Протопопов И. И., Белов В.П., Ионов A.B. Система управления качеством обучения в МГУПБ (Методика, модели, показатели). МГУПБ, 2005-44 с.:ил.

62. Розенберг Н.М. Проблемы измерений в дидактике. Киев: Вища школа, 1979.- 176 с.

63. Свиридов А.П. Разработка и исследование систем автоматизированного обучения на базе статистических моделей. / дис. д.т.н. -Москва, 1984.-427с.

64. Свиридов А.П. Основы статистической теории обучения и контроля знаний. М.: ВШ, 1981. 262 с.

65. Скобелев П.О. Открытые мультиагентные системы для поддержки процессов принятия решений при управлении предприятиями: известия Самарского научного центра РАН, Том 3, №1 / П.О. Скобелев.- Самара: СНЦ РАН, 2001.-98 с.

66. Соколов Б. В. Концептуальные основы оценивания и анализа качества моделей и полимодельных комплексов. Теория и системы управления/Б. В. Соколов, P.M. Юсупов. -М., 2004. -116 с.

67. Солсо Р. Когнитивная психология / Р. Солсо. 6-е изд. - СПб.: Питер, 2006. - 589 с: ил.

68. Стрелков Ю. К. Инженерная и профессиональная психология. / М.: "Академия"; Высшая школа, 2001. 360 с.

69. Стрюков Г.А. Стандартизация уровня подготовки и оценивание знаний учащихся //Педагогика; 1995, № 6. С. 12-17.

70. Темников Ф.Е. Информатика высшей школы-/ Ф.Е. Темников, Э. И. Замуруев, JI. И. Абросимов // Доклады научно-технической-конференции по итогам научно-исследовательских задач, 1970, с. 3-12

71. Темников Ф.Е. Теоретические основы информационной техники: Учебное пособие для вузов / Ф.Е. Темников, В.А. Афонин, В.И. Дмитриев. -2-е изд., перераб. и доп. -М.: Энергия, 1979. 512 е.: ил.

72. Тихонов А.Н. Управление современным образованием: социальные и экономические аспекты / А.Н. Тихонов, А.Е. Абрамешин, Т.П. Воронина, А.Д. Иванников, О.П. Молчанова; Под ред. А.Н. Тихонова. М.: Вита-Пресс, 1998.-256 с.

73. Трахтенгерц Э.А. Компьютерная поддержка принятия решений, М., СИНТЕГ, 1998 г.

74. Хорошевский В.Ф. Базы знаний интеллектуальных систем/ В.Ф. Хорошевский, Т.А. Гаврилова. СПБ: Питер, 2000.-384 с.

75. Шамис А. JI. Пути моделирования мышления. / А. JI. Шамис Из-во: КомКнига, 2006. - 333 с.

76. Шеннон К. Работы по теории информации и кибернетике. М.: Изд-во иностранной литературы, 1963. - 830 с.

77. Шмидт Б. Искусство моделирования и имитации. Введение в имитационную систему Simplex3 / Б. Шмит.- Гент, Бельгия: SCS-Европа BVBA, 2003.-615 с.

78. Шмидт Б. Универсальная система моделирования Simplex3 в прикладной биотехнологии: доклады 4-ой международной научно-технической конференции. Пища. Экология. Человек / Б. Шмидт, Ю.А. Ивашкин, А.К.Кондратьев.- М.: МГУПБ, 2001.- 317 с.

79. Вопросы общей методики преподавания математики: Учебное113пособие для студентов заочников. -М.: Просвещение, 1979.

80. Практикум по инженерной психологии и эргономике / Под ред. Ю. К. Стрелкова. М.: Академия, 2003.

81. Представление и использование знаний / Пер.с.яп. / Под ред. Х.Уэно, М.Исидзука. М.: Мир; 1989. - 220с.

82. Психологический тест Айзенка // Все для студента. Вып.2. CD-ROM.

83. Banks J.J. Discrete-Event System Simulation/ J.J. Banks, J.S. Carson, B.L. Nelson.- New Jer.ey: Prentice Hall, Upper Saddle River, 2000.-624 p.

84. Banks J.J. Getting started with GPSS/ J.J. Banks.-USA: Wolverine Software Corp., 1989.- 445 p.

85. Chapanis A., Engineering Psychology / A. Chapanis «Annual rev. of Psychology», 1963.

86. Elliott M. Buyer's Guide Simulation/ M. Elliott.-USA: ГЕЕ Solutions, 2000.-328 p.

87. Fougeres A.J. Modeling of Productive organization with multi-agent Systems, 1 Workshop on Agent-Based Simulation/ A.J. Fougeres, B.B. Mazigh, A.T. Koukam, R.H. Fanjul.- Germany, Passau, 2001.- 692 p.

88. Julka N. Agent-based supply chain management, part 2: a refinery application: Computers&Chemical Engineering, 26 (2002) / N. Julka, I. Karimi, R. Srinivasan.- USA:Elsevier, 2002.-1781 p.

89. Justin G. Hollands Engineering Psychology and Human Performance / G. Hollands Justin. Wickens 1999.

90. Lopes F. Towards a Generic Negotiation Model for Intentional Agents: in Proceedings of the IEEE Workshop on Agent-Based Information Systems (London, UK)/ F. Lopes, N. Mamede, A.Q. Novais.-CA: IEEE Computer Society Press, 2000.- 1160 p.

91. Markowitz H. SIMSCRIPT: encyclopedia of Computer Science and technology / H. Markowitz, J. Belzer, A. G. Holzman.-USA: Marcel DekUer, 1971.-1672 p.

92. Mikoni S. Multi-Agent Model for Metro Scheduling: proceedings of the 1-st International Workshop of Central and Eastern Europe on Multi-Agent Systems (CEEMAS'99) / S. Mikoni.- St.Petersburg, 1999.-196 p.

93. Schriber T. Simulation Using GPSS/ T. Schriber, W.John .-UK: Krieger Pub Co, 1990.-533 p.

94. Stadtler H. Supply chain management and advanced planning: Concepts, models, software and case studies/ H. Stadtler, C. Kilger. Berlin: Springer, 2000.-556 p.

95. Swam J.J. Simulation Reloaded: Sixth biennial survey of discrete-event software tools/ J.J. Swam.-UK: OR/MS Today, 2003. 257 p.

96. Tolujev J. Assessment of simulation models based on trace-file analysis: a metamodelling approach: proceedings of the 1998 Winter Simulation Conference/ J. Tolujev, P. Lorenz, D. Beier.-UK ,2004.- 650p.

97. Введение в теорию нейронных сетей, http://www.orc.ru/~stasson/neurox.html

98. Википедия. Свободная энциклопедия, http://ru.wikipedia.org/

99. Концепция Федеральной целевой программы развития образования, http ://www. fcpro.ru/

100. Тесты в социологии, http://www.socium.info/tests.html

101. Нейронные сети и интеллектуальные системы http://neuroschool.narod.ru/

102. Технический справочник по алгоритму кластеризации (Майкрософт), http://msdn.microsoft.com/ru-ru/library/cc280445.aspx

103. Statistica 6.0 Современный пакет статистического анализа // Электронный учебник.

104. J. Kogan, C. Nicholas, M. Teboulle Clustering Large and High Dimensional data (http://www.csee.umbc.edu/ nicholas/clustering/tutorial.pdf)

105. A.K. Jain, M.N. Murty, P.J. Flynn Data Clustering: A Review http://www.csee.umbc.edu/ nicholas/clustering/p264-jain.pdf

106. EDL Reference Manual http://isgwww.cs.uni-magdeburg.de/sim/its/ws0809/simplex/edl.pdf

107. Introduction to Simulation SIMPLEX3 http://isgwww.cs.uni-magdeburg.de/sim/its/ws0809/download.html